最后更新: 2024-04-17 09:29 查看: 269 次纠错评论(0) 课件开VIP

监督学习和无监督学习

## 监督学习与非监督学习
传统的图片识别里，主要是人工预定义一些特征值来表示物件，例如定义小狗：两只眼镜，两只耳朵，四只蹄子等，但是满足上面特征值的动物很多，无法进行精确判断。利用计算机机器学习，可以预先导入足够多的狗狗照片，由计算机自动提取一些关键点，后期，计算机再通过这些关键点来判断新的照片是否是狗狗，这就是简单的机器学习。  在机器学习里，最常见的是监督学习与非监督学习。
  
#### 监督学习
  如果我给计算机猫和狗的图片，然后告诉计算机哪个是猫，哪个是狗。计算机根据我给出的“图片和答案的特征”去学习“猫为什么是猫，狗为什么是狗”，这种带着打好的标签去学习的方式叫做监督学习。
   ![图片](/uploads/2024-04/b7b802.jpg){width=300px}
   
 #### 非监督学习
 同样是我给计算机猫和狗的照片，但是我不告诉计算机哪个是猫，哪个是狗。我让你自己去判断总结猫和狗的图片的不同之处，以此来完成猫和狗的分类。
 
 
 ## 监督学习
 在监督学习中，计算机通过示例学习。它从过去的数据中学习，并将学习的结果应用到当前的数据中，以预测未来的事件。在这种情况下，输入和期望的输出数据都有助于预测未来事件。为了准确预测，将输入数据标记为正确答案。
  ![图片](/uploads/2024-04/7fce6b.jpg)  
 
 ### 回归模型
 回归模型用于输出变量为实际值的问题，例如单一的数字、美元、薪水、体重或压力。它最常用于根据先前的观测数据来预测数值。一些比较常见的回归算法包括线性回归、逻辑回归、多项式回归和脊回归。
 
 ### 分类模型
 分类模型用于可以对输出变量进行分类，例如“是”或“否”、“通过”或“失败”。分类模型用于预测数据的类别。现实生活中的例子包括垃圾邮件检测、情绪分析、考试记分卡预测等
  ![图片](/uploads/2024-04/699283.jpg)
  
#### 监督学习的应用
· 文本分类
· 垃圾邮件检测
· 天气预报
· 根据当前市场价格预测房价
· 股票价格预测等
· 人脸识别
· 签名识别
· 客户发现

### 非监督学习
无监督学习是训练机器使用既未分类也未标记的数据的方法。这意味着无法提供训练数据，机器只能自行学习。机器必须能够对数据进行分类，而无需事先提供任何有关数据的信息。

其理念是先让计算机与大量变化的数据接触，并允许它从这些数据中学习，以提供以前未知的见解，并识别隐藏的模式。因此，无监督学习算法不一定有明确的结果。相反，它确定了与给定数据集不同或有趣之处。

计算机需要编程才能自学。计算机需要从结构化和非结构化数据中理解和提供见解。以下是无监督学习的准确说明：
 ![图片](/uploads/2024-04/4df697.jpg)
 
 无监督机器学习分类

1.聚类是最常见的无监督学习方法之一。聚类的方法包括将未标记的数据组织成类似的组，称为聚类。因此，聚类是相似数据项的集合。此处的主要目标是发现数据点中的相似性，并将相似的数据点分组到一个聚类中。

2.异常检测是识别与大多数数据显著不同的特殊项、事件或观测值的方法。通常在数据中寻找异常或异常值的原因在于它们是可疑的。异常检测常用于银行欺诈和医疗差错检测。

#### 无监督学习算法的应用
无监督学习算法的一些实际应用包括：
· 恶意软件检测
· 数据输入过程中人为错误识别
· 进行准确的购物篮分析等
· 欺诈检测

科数题库(单机版) 会议室预约系统(book)

今日还可看 0 篇未注册用户每天查看4篇，注册用户每天8篇，开通VIP会员无限制查看。

免费注册

《高等数学》难点解析

高数教程 泰勒公式切线与法线切平面与法平面驻点·拐点·极值点·零点间断点渐进线瑕积分欧拉方程伯努利方程 Abel 收敛定理偏导数的几何意义偏导数的几何意义梯度数量场与向量场多元函数极值拉格朗日算子通量与散度环流量与旋度格林公式高斯公式斯托克斯公式三大公式比较傅里叶级数极坐标微元点法式方程变上限定积分 X型计算面积 Y型计算面积微分的意义渐近线间断点 y''+py'+qy=f(x)方程高斯黎曼傅里叶变换(复数) 拉普拉斯变换(复数)

《线性代数》难点解析

线代教程 近世代数对数学的整体思考线性的意义矩阵乘法(列视角) 矩阵乘法(行视角) 矩阵左乘矩阵右乘逆矩阵求解方程组阶梯形矩阵的求法方程组解的判定四阶行列式的计算线性变换的意义线性空间向量组的等价线性空间的几何意义基础解系的求法施密特正交化特征值与特征向量的意义矩阵相似的几何意义矩阵可对角化的理解秩的意义(向量版) 秩的意义(方程版) 二次型的意义

《概率论与数理统计》难点解析

概率教程 置信区间与上a分位数概率中的“取”与“放” 贝叶斯公式全概率公式泊松分布指数分布伽玛分布二维密度图的意义卷积的意义相关系数的意义 k阶矩是与矩母函数卡方分布的作用单正态区间估计理解假设检验理解切比雪夫不等式中心极限定理

上一篇：没有了

下一篇：没有了

本文对您是否有用？有用 (0) 无用 (0)